論文の概要: Cross-subject decoding of imagined speech from scalp EEG: a leakage-controlled evaluation on three public corpora

• arxiv url: http://arxiv.org/abs/2610.20954v1
• Date: Wed, 14 Oct 2026 21:25:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.077615
• Title: Cross-subject decoding of imagined speech from scalp EEG: a leakage-controlled evaluation on three public corpora
• Title（参考訳）: 頭皮脳波からの想像音声のクロスオブジェクト復号:3つの公称コーパスにおける漏洩制御評価
• Abstract要約: 我々は2020年の国際脳-コンピュータインタフェースコンペティションの3つの公開コーパス、ds003626、KaraOne、Track 3を分析した。 482人以上の受講者を受講したが、複数の比較の修正は成功しなかった。 これらのコーパスでは、想像された音声コンテンツは、検討した表現を通して人間を移動しなかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Objective. A decoder of imagined speech that works for a new user without calibration would make a non-invasive speech interface practical. We tested whether imagined-speech content recorded with scalp electroencephalography (EEG) transfers across people, and examined why accuracy within a single person remains low. Approach. We analyzed three public corpora, ds003626, KaraOne and Track 3 of the 2020 International Brain-Computer Interface Competition, under a protocol that enforces split integrity by assertion and reports exact binomial thresholds, group tests and bootstrap confidence intervals. We trained decoders on each participant and tested them on every other, compared representational geometry across participants without a classifier, applied subject-level alignment, and tested five explanations for the within-subject ceiling. Main results. Across 482 ordered pairs of participants, no pair survived correction for multiple comparisons; mean pair-transfer accuracy lay within 0.006 of chance on every corpus, while every within-subject reference lay above it. Imagery against pre-stimulus rest generalized at about 0.61 after artifact and elapsed-time controls, but its decoder labelled the interval preceding imagery as imagery as often as imagery itself, so the contrast reflects a post-stimulus state, not imagery. Within subject, only the competition corpus decoded above threshold for every participant (0.3147; chance 0.200); syllable count explained little of this, but its frequency profile failed an artifact audit. Significance. In these corpora, imagined-speech content did not transfer between people through any representation we examined. Trial count per class was the only variable that ordered the corpora, which favors larger single-condition datasets over further model development.
• Abstract（参考訳）: 目的。 キャリブレーションなしで新しいユーザーのために機能する想像音声のデコーダは、非侵襲的な音声インタフェースを実用的にする。 頭皮電気脳波(EEG)で記録された想像音声の内容が人間で伝達されるかどうかを検証し,なぜ一人の人の精度が低いのかを検討した。 アプローチ。 我々は、2020年の国際脳-コンピュータインタフェースコンペティションの3つの公的なコーパスであるds003626、KaraOne、Track 3を、アサーションによって分割整合性を強制するプロトコルを用いて分析し、正確な二項しきい値、グループテスト、ブートストラップ信頼区間を報告した。 我々は,各参加者に対してデコーダを訓練し,各参加者の表現幾何学を比較し,対象レベルのアライメントを適用し,対象物内天井の5つの説明を検証した。 主な結果。 平均的なペア転送精度は、すべてのコーパスに0.006の確率で配置され、全てのイントラオブジェクト参照はその上に配置された。 刺激前の静止に対する画像は、人工物と経過時間の制御の後、約0.61で一般化したが、デコーダは、前回のイメージをイメージ自体と同じ頻度で画像としてラベル付けしたので、コントラストはイメージではなく刺激後の状態を反映している。 被験者内では、全ての参加者(0.3147; 可能性0.200)に対して、競争コーパスのみが閾値以上を復号した(音節数)が、その頻度プロファイルはアーティファクト監査に失敗した。 重要なこと。 これらのコーパスでは、想像された音声コンテンツは、検討した表現を通して人間を移動しなかった。 クラス毎の試行数だけがコーパスを順序付けした唯一の変数であり、さらなるモデル開発よりも大きな単一条件データセットが好まれていた。

関連論文リスト

• RelateAnything: Real-Time Open-Vocabulary Relation Prediction From Any Inputs [0.40611352512781873]
  RelateAnythingは、任意のソースからイメージとリージョンを取得し、文字列として推論時に供給される述語語彙に関するスコア付き関係を返す。 19,103以上の述語を訓練するには、正のラベルなしの監督と、アントロニムを分離するテキストエンコーダが必要である。 3つのクロスデータセットのベンチマークと4番目のゼロショットでは、RelateAnythingは2.3-3.5倍の最大規模のオープンボキャブラリメソッドをリコールする。
  論文  参考訳（メタデータ） (2026-09-11T07:57:41Z)
• Decoding silent reading from non-invasive EEG [0.0]
  ドライエレクトロド脳波の393ランにわたる濃密にサンプリングされた1人の参加者から記録された24万ワードのオープンボキャブラリ解析を行った。 復号化は偶然よりも確実に行われ、中頻度で稀な単語に拡張され、飽和の兆候のないトレーニングデータボリュームで対数的にスケールされた。 これらの結果から,オープン語彙の単語レベル情報はサイレントリーディング中に脳波から復元可能であり,復号化は飽和ではなくデータ制限であることがわかった。
  論文  参考訳（メタデータ） (2026-08-20T15:41:05Z)
• How Far Do Foundation Models Transfer to Infant Signals? A Cross-Dataset Transfer Audit with a Unified Need Ontology [0.0]
  公立の乳幼児の涙コーパスは小さく、ラベルと互換性がなく、ほぼ常に一度に1つのコーパスを評価している。 統合された5クラス要求オントロジーと共有タスク定式化の下で、4つの凍結エンコーダと手作りベースラインを探索する。 オントロジー、マッピングコード、監査パイプラインをリリースし、互換性のないCry corporaを使用可能な共同トレーニングリソースにします。
  論文  参考訳（メタデータ） (2026-08-10T01:22:32Z)
• A Dynamic-Semantics Framework for Grounding Human Referring Expressions in Visual Perceptual Data [0.0]
  本稿では,パクト状態を3つの明示的で検査可能な参照オブジェクトバインディングに外部化するフレームワークを提案する。 スタンフォード・リピート・レファレンス・ゲーム・コーパス(Stanford Repeated Reference Game corpus)のフレームワークについて検討した。
  論文  参考訳（メタデータ） (2026-08-09T12:14:10Z)
• Noisy-Correspondence Learning for Text-to-Image Person Re-identification [50.07634676709067]
  本稿では,雑音対応においても頑健な視覚関係を学習するための新しいロバスト二重埋め込み法(RDE)を提案する。 提案手法は,3つのデータセット上での合成ノイズ対応と非合成ノイズ対応を両立させる。
  論文  参考訳（メタデータ） (2023-08-19T05:34:13Z)
• Jointly Learning Visual and Auditory Speech Representations from Raw Data [108.68531445641769]
  RAVEnは視覚と聴覚の表現を協調的に学習する自己教師型マルチモーダルアプローチである。 我々の設計は、ビデオとオーディオの固有の違いによって駆動される非対称なw.r.t.である。 RAVEnは視覚音声認識における全自己指導手法を超越している。
  論文  参考訳（メタデータ） (2022-12-12T21:04:06Z)
• Decoding speech perception from non-invasive brain recordings [48.46819575538446]
  非侵襲的な記録から知覚音声の自己教師付き表現をデコードするために、コントラスト学習で訓練されたモデルを導入する。 我々のモデルでは、3秒のMEG信号から、1,000以上の異なる可能性から最大41%の精度で対応する音声セグメントを識別できる。
  論文  参考訳（メタデータ） (2022-08-25T10:01:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。